基于蚁群优化神经网络的比较购物模型研究

论文摘要

本文在对现有大多数比较购物网站的研究基础上,提出一种新的比较购物模型。在传统比较购物的基础上以蚁群优化神经网络学习获取用户的偏好信息,并以此对搜索结果进行重新排序,为用户提供符合其需要的个性化的导购服务。本文首先介绍了比较购物的产生与发展,讨论并提出了目前大多数比较购物网站存在的问题：只注重消费者关于商品价格的要求,而忽略了消费者关于商品其他方面的要求。同时,文中研究了神经网络和蚁群算法的基本原理以及它们的发展应用情况。在分析了这两种技术的基本特征后,本文提出了将两种技术相结合的方法,通过蚁群算法来优化BP神经网络,该方法可以提高比较购物搜索引擎的效率并且能够避开BP算法的缺陷。在两种算法结合的基础上,本文完成了基于蚁群优化神经网络的比较购物模型的设计。并对这个模型的相关功能以及具体流程进行了详细的阐述。最后应用MATLAB软件进行仿真实验,实验结果表明ACO-BP神经网络在比较购物搜索模型中是行之有效的,能很好的根据训练样本模拟用户的购物偏好,从而为比较购物的搜索做出指导。最后,我们比较了ACO-BP算法与BP算法在性能上的差别,证实了ACO-BP算法可以有效的克服BP算法收敛速度慢的缺点。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 研究目的
• 1.3 相关技术研究现状
• 1.3.1 蚁群算法的研究进展
• 1.3.2 人工神经网络的发展现状
• 1.3.3 搜索引擎与比较购物的发展现状
• 1.4 本文的主要研究工作
• 2 蚁群算法和人工神经网络的基本原理
• 2.1 蚁群算法
• 2.1.1 蚁群算法的起源
• 2.1.2 蚁群算法的基本原理
• 2.1.3 蚁群算法与旅行商问题（TSP）
• 2.2 人工神经网络
• 2.2.1 人工神经网络的简单介绍
• 2.2.2 神经网络的连接模型
• 2.2.3 神经网络的学习方式
• 2.2.4 网络模型的选取
• 2.3 BP神经网络
• 2.3.1 BP模型概念
• 2.3.2 BP神经网络的学习过程
• 2.3.3 BP算法的优缺点
• 2.4 本章小结
• 3 基于蚁群优化神经网络的比较购物模型设计
• 3.1 比较购物搜索引擎
• 3.1.1 垂直搜索引擎结构
• 3.1.2 搜索引擎工作原理
• 3.1.3 比较购物搜索引擎目前存在的问题
• 3.2 基于蚁群算法的神经网络训练
• 3.2.1 蚁群算法和BP神经网络的结合算法
• 3.2.2 神经网络结构的确定
• 3.2.3 蚁群优化算法中的参数选取
• 3.3 基于蚁群优化神经网络的比较购物搜索模型
• 3.3.1 搜索过滤模块
• 3.3.2 比较排序模块
• 3.4 本章小结
• 4 比较购物搜索模型的实验论证研究
• 4.1 实验环境以及样本选择
• 4.1.1 MATLAB介绍
• 4.1.2 用户偏好样本的收集
• 4.1.3 样本预处理
• 4.2 实验神经网络的建立
• 4.3 用蚁群算法优化神经网络构建ACO-BP系统
• 4.4 ACO-BP神经网络样本测试验证
• 4.5 ACO-BP算法与BP算法的性能比较
• 4.6 本章小结
• 结论
• 参考文献
• 附录A 仿真程序代码
• 致谢
• 作者简介及读研期间主要科研成果